Diagnostic des batteries lithium-ion

L'état de charge décrit la fraction de capacité utilisable disponible dans une condition de référence définie. L'état de santé décrit la manière dont la batterie a évolué par rapport à un état initial ou nominal. Aucun de ces concepts n'a une définition universelle unique : perte de capacité, augmentation de résistance, capacité de puissance et marges de sécurité peuvent évoluer différemment.

Une méthode diagnostique utile doit donc indiquer exactement quelle propriété elle estime, dans quelles conditions et avec quelle incertitude. Un pourcentage sans procédure de référence n'est pas un résultat physique ; c'est de la décoration.

Le diagnostic en fonctionnement repose couramment sur :

• courant, tension aux bornes et température ;
• historique de charge et décharge ;
• périodes de repos et comportement de relaxation ;
• essais de capacité ou d'impulsion lorsqu'ils sont disponibles ;
• indicateurs liés à l'impédance ;
• modèles reliant états internes et grandeurs mesurables.

Chaque mesure a ses limites. La tension dépend de la chimie, de la température, du courant, de l'hystérésis et de la relaxation. Le comptage coulombique accumule les erreurs de capteur et d'initialisation. La résistance dépend de la définition de l'impulsion et du point de fonctionnement. Les essais de capacité sont informatifs, mais intrusifs et longs.

Les cellules lithium-ion vieillissent par des mécanismes en interaction dont l'importance dépend de la chimie et de l'usage. Perte de lithium cyclable, perte de matière active, dégradation de l'électrolyte, croissance des interfaces et modifications mécaniques peuvent produire des effets électriques en partie similaires.

Par conséquent, un indicateur diagnostique peut être corrélé au vieillissement dans un jeu de données sans identifier de manière unique un mécanisme. Son extrapolation à un autre format de cellule, une autre plage de température ou un autre profil d'usage requiert de nouvelles preuves.

Une chaîne défendable sépare quatre étapes :

1. mesure et étalonnage ;
2. prétraitement avec hypothèses documentées ;
3. extraction d'indicateurs motivés physiquement ou statistiquement ;
4. validation par rapport à des grandeurs de référence indépendantes.

L'apprentissage automatique peut combiner de nombreux indicateurs et capturer des relations non linéaires, mais il introduit aussi de nouveaux modes de défaillance : fuite entre données d'entraînement et de test, raccourcis propres à certaines cellules, conditions de fonctionnement mal représentées et prédictions trop confiantes hors du domaine d'apprentissage.

Une séparation aléatoire de mesures individuelles est souvent insuffisante car des mesures adjacentes de la même cellule sont fortement liées. La validation doit être conçue autour de l'usage visé : cycles inconnus, cellules inconnues, trajectoires de vieillissement inconnues ou conditions de fonctionnement inconnues.

Les performances doivent être rapportées avec l'incertitude, la qualité de la méthode de référence et les cas d'échec. La question finale n'est pas de savoir si un estimateur possède une faible erreur moyenne, mais si ses erreurs sont suffisamment comprises pour la décision qu'il doit soutenir.

• S. Martemianov, F. Maillard, A. Thomas, P. Lagonotte, L. Madier, Noise diagnosis of commercial Li-ion batteries using high-order moments, Russian Journal of Electrochemistry, 52(12), 1122–1130, 2016. DOI
• S. Martemianov et al., New methodology of electrochemical noise analysis and applications for commercial Li-ion batteries, Journal of Solid State Electrochemistry, 19, 2803–2810, 2015. DOI
• F. Maillard, S. Martemianov, A. Thomas, N. Adiutantov, P. Lagonotte, L. Madier, Measurements and Signal Processing of Li-ion Electrochemical Noise, 2015. DOI